مدلهای متن به تصویر

https://huggingface.co/spaces/ArtificialAnalysis/Text-to-Image-Leaderboard

➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_Python 💻

Applied Machine Learning in Python: a Hands-on Guide with Code

https://geostatsguy.github.io/MachineLearningDemos_Book/intro.html

#کتاب #منابع

➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_Python 💻

لینک ۵ تا کانال یوتیوب که حول محور LLM ها و مقاله ها و مسائل مربوط به اونا محتوا تولید می کنن علاقمند بودین ببینید.

https://www.kdnuggets.com/5-youtube-channels-to-master-llms

➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_Python 💻

توضيحات فارسی

https://telegra.ph/Data-Visualization-Empowering-Data-Analysis-with-Python-09-26

➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Here are the full YouTube links for each resource in your 100 Days of Data Science plan:
Days 1–15: Python for Data Science
[Python for Data Science Crash Course]
https://www.youtube.com/watch?v=LHBE6Q9XlzI
Days 16–30: Pandas and NumPy for Data Analysis
[Pandas and NumPy Crash Course]
https://www.youtube.com/watch?v=vmEHCJofslg
Days 31–45: Data Visualization with Matplotlib & Seaborn
[Matplotlib & Seaborn Full Course]
https://www.youtube.com/watch?v=0P7QnIQDBJY

#DataScience #MachineLearning #Python #Excel #DataAnalytics #DeepLearning #NLP

➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

کمتر از یک دقیقه خطاهای کدهای برنامه نویسیت رو پیدا کن.
هوش مصنوعی Deepseek Coder به شما کمک می‌کنه تا خطاهای کد خودتون رو به سادگی پیدا کنید این هوش مصنوعی تقریباً از تمام زبان های رایج پشتیبانی می‌کنه.
coder.deepseek.com/sign_in

#هوش_مصنوعی #کد #خطا
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

🌟 پردازش زبان طبیعی (NLP) در زبان فارسی: چالش‌ها و فرصت‌ها 🌟
کار با پردازش زبان طبیعی (NLP) در زبان فارسی به دلیل برخی ویژگی‌های خاص، با چالش‌هایی همراه است. این چالش‌ها می‌توانند به دلیل ساختار پیچیده زبان و محدودیت منابع داده به وجود بیایند. در ادامه به برخی از این چالش‌ها اشاره می‌کنیم:
1️⃣ پیچیدگی‌های ساختاری زبان فارسی: زبان فارسی دارای ویژگی‌هایی همچون صرف فعل‌ها، ضمایر متصل، و نشانه‌هایی مثل "ها" و "ی" است که پردازش جملات را پیچیده‌تر می‌کند.
2️⃣ کمبود داده‌های معتبر و بزرگ: در مقایسه با زبان‌هایی مانند انگلیسی، مجموعه داده‌های بزرگ و آماده برای فارسی کمتر است و این مسئله دقت مدل‌های NLP را کاهش می‌دهد.
3️⃣ متن‌های غیررسمی در شبکه‌های اجتماعی: پیام‌های شبکه‌های اجتماعی پر از اشتباهات املایی، اختصارات و کلمات محاوره‌ای است که پردازش خودکار آن‌ها را دشوار می‌سازد.
4️⃣ نبود ابزارهای استاندارد و پیشرفته: ابزارهای NLP برای زبان‌های بزرگ‌تر مثل انگلیسی توسعه یافته‌اند و نسخه‌های فارسی آن‌ها اغلب کم‌دقت یا ناکامل هستند.
5️⃣ چالش در جداسازی کلمات: نوشتار فارسی به‌طور پیوسته است و فاصله بین کلمات همیشه مشخص نیست، که باعث دشواری در تشخیص دقیق کلمات می‌شود.
6️⃣ چندمعنایی و هم‌ریشه بودن کلمات: بسیاری از کلمات فارسی دارای معانی مختلف هستند و تشخیص معنای درست در جمله را پیچیده می‌کنند.
7️⃣ کمبود مدل‌های زبانی تخصصی: مدل‌های پیش‌آموزش‌دیده برای فارسی کم و معمولاً نیاز به تنظیم و آموزش دوباره دارند.
💡 هرچند که چالش‌ها زیادند، اما پیشرفت‌هایی در این زمینه صورت گرفته و آینده روشنی برای پردازش زبان فارسی در حوزه NLP قابل تصور است!
#هوش_مصنوعی #یادگیری_ماشین #ماشین_لرنینگ
#NLP #DeepLearning #MachineLearning #DataAnalytics
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧‌ ▼꯭‌‌ ⃤

@Technical_coding 💻

💎 دوره آموزشی هوش مصنوعی 2024 و ساخت ۷ هوش مصنوعی و LLM و ChatGPT
✅ این دوره آموزشی به شما کمک می‌کنه تا با دنیای هوش مصنوعی آشنا بشید و مهارت‌های لازم رو برای ساخت هوش مصنوعی‌های مختلف به دست بیارید. این دوره با عنوان Artificial Intelligence A-Z 2024 طراحی شده و به شما این امکان رو می‌ده که با یادگیری مفاهیم کلیدی هوش مصنوعی، ۷ هوش مصنوعی متفاوت بسازید.

➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

🟣 Recurrent Neural Network (RNN) by hand ✍️ Excel
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

جزوه یادگیری ماشین
دانشگاه صنعتی شریف
دکتر حمید بیگی
#هوش_مصنوعی #یادگیری ماشین #جزوه
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

📃 جزوه جبر خطی کاربردی به زبان فارسی و در 374 صفحه!
🔵 دکتر سعید عبادالهی استادیار دانشکده مهندسی برق دانشگاه علم و صنعت، جزوه‌ی جبر خطی کاربردی رو به زبان فارسی و رایگان در 374 صفحه منتشر کرده.
🔵 جبر خطی یکی از اون موضوعاتی‌ایه که شاید اولش یه ماتریس و معادله ساده به نظر بیاد، ولی توی دنیای علم داده خیلی کاربرد داره! اصلاً پایه و اساس خیلی از الگوریتم‌های یادگیری ماشین و هوش مصنوعی همین جبر خطیه.
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

جزوه یادگیری عمیق دانشگاه صنعتی شریف، دکتر حمید بیگی
#هوش_مصنوعی #یادگیری_عمیق #یادگیری_ماشین
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

matlab in control-dorf
زبان برنامه نویسی متلب در حوزه کنترل
#متلب #زبان_متلب #کنترل #کنترل_خطی #کنترل_دورف
#Matlab #Control
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Were RNNs All We Needed?
Interesting work on reviving RNNs. arxiv.org/abs/2410.01201 -- in general the fact that there are many recent architectures coming from different directions that roughly match Transformers is proof that architectures aren't fundamentally important in the curve-fitting paradigm (aka deep learning)
Curve-fitting is about embedding a dataset on a curve. The critical factor is the dataset, not the specific hard-coded bells and whistles that constrain the curve's shape. As long as your curve is sufficiently expressive all architectures will converge to the same performance in the large-data regime.
#مقاله #ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

📃 جزوه مصورسازی و دستکاری داده‌ها با پایتون
🟡 تو این جزوه، کتابخونه‌ها و تکنیک‌های کلیدی پایتون برای دستکاری و بصری‌سازی داده‌ها به طور کامل توضیح داده شده.
#آموزش #پایتون #آموزش_پایتون
#Python
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

الگوریتم Kruskal برای یافتن درخت پوشای کمینه (Minimum Spanning Tree - MST)
الگوریتم Kruskal یکی از معروف‌ترین روش‌ها برای یافتن درخت پوشای کمینه در یک گراف وزن‌دار است. درخت پوشای کمینه یک زیرمجموعه از یال‌های گراف است که تمام رأس‌ها را به هم متصل کرده و مجموع وزن یال‌ها را به کمترین مقدار می‌رساند. این الگوریتم از نوع حریصانه (Greedy) است، یعنی در هر مرحله بهترین انتخاب ممکن را انجام می‌دهد تا به نتیجه بهینه برسد.
🌟 گام‌های الگوریتم Kruskal:
1. مرتب‌سازی یال‌ها: ابتدا تمام یال‌های گراف را به ترتیب وزن از کم به زیاد مرتب می‌کنیم.
2. ایجاد مجموعه‌های ناپیوسته: برای هر رأس یک مجموعه مجزا تشکیل می‌دهیم (در ابتدا هر رأس به تنهایی یک مجموعه است).
3. اضافه کردن یال‌ها به MST:
- یال‌ها را یکی یکی از کمترین وزن به بزرگترین بررسی می‌کنیم.
- اگر اضافه کردن یک یال باعث ایجاد حلقه نشود، آن را به درخت پوشا اضافه می‌کنیم.
- اگر یال باعث ایجاد حلقه شود، آن را نادیده می‌گیریم.
4. اتمام الگوریتم: این روند تا زمانی ادامه دارد که تمام رأس‌ها به هم متصل شده و یک درخت پوشای کمینه ساخته شود.
⏱️ پیچیدگی زمانی الگوریتم:
الگوریتم Kruskal شامل دو بخش اصلی است:
1. مرتب‌سازی یال‌ها: با استفاده از الگوریتم‌های مرتب‌سازی سریع مانند Merge Sort یا Quick Sort، پیچیدگی زمانی این مرحله O(Elog E) است که E تعداد یال‌های گراف است.
2. جستجوی مجموعه‌ها و ترکیب آن‌ها: برای مدیریت مجموعه‌ها از ساختار داده‌ای Union-Find استفاده می‌شود که با بهینه‌سازی‌هایی مانند فشرده‌سازی مسیر (Path Compression) و اتحاد بر اساس رتبه (Union by Rank)، پیچیدگی زمانی این عملیات‌ها به O(α(V)) کاهش می‌یابد.
به طور کلی، پیچیدگی زمانی الگوریتم برابر است با:
O(E log E + E α(V))
که در آن E تعداد یال‌ها و V تعداد رأس‌های گراف است. از آنجایی که E log E سریع‌تر از E α(V) رشد می‌کند، پیچیدگی زمانی کلی O(E log E) است.
📊 ویژگی‌ها و کاربردها:
- نوع الگوریتم: حریصانه (Greedy)
- کاربردها:
- ساخت درخت پوشای کمینه در شبکه‌های ارتباطی.
- کاهش هزینه‌های طراحی شبکه.هایش
- حل مسائل بهینه‌سازی گراف‌ها.
- محدودیت‌ها:
- مناسب برای گراف‌های پراکنده (Sparse). برای گراف‌های متراکم (Dense)، الگوریتم‌های دیگر مانند Prim ممکن است عملکرد بهتری داشته باشند.
✨ با پیروی از این مراحل و فهمیدن پیچیدگی‌ها، الگوریتم Kruskal به یکی از بهترین انتخاب‌ها برای ساخت درخت پوشای کمینه تبدیل می‌شود.
#الگوریتم #یادگیری_ماشین #یادگیری_عمیق
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧‌ ▼꯭‌‌ ⃤

@Technical_coding 💻

جزوه خلاصه و جامع یادگیری ماشین
#هوش_مصنوعی #کتاب #یادگیری_ماشین
#AI #DeepLearning #DataAnalytics #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

🔵 تغییر نگرش به شیوه نگاشت عددی کلمات
تغییر نگرش‌های مولد: نگاهی به تحولات اخیر هوش مصنوعی (۲)
نخستین گام در پردازش زبان‌های طبیعی و شکل‌گیری مدل‌های زبانی، تبدیل واژه به عدد است. بدون این تبدیل، امکان پردازش داده‌های متنی و انجام محاسبات پیچیده وجود ندارد. از آغاز شکل‌گیری این شاخه در علوم کامپیوتر و زبان‌شناسی محاسباتی، فرآیند کدگذاری کلمات، تغییرات چشمگیری را تجربه کرده و از یک کدگذاری ساده صفرویکی به بردارهای عددی با ابعاد بالا رسیده است. این تحولات نه‌تنها به بهبود دقت و کارایی مدل‌های زبانی کمک کرده بلکه چشم‌انداز جدیدی برای توسعه هوش مصنوعی نیز به وجود آورده است. در این مقاله، سیر تحول تبدیل واژه به عدد و تأثیر این تغییرات بر رشد سریع هوش مصنوعی مولد را در چند مرحله بررسی خواهیم کرد.
بخش اول از مقاله را در لینک زیر مطالعه کنید:
d-learn.ir/word-embedding
از ۴ آذر ۱۴۰۳ تا ۳۰ دی ۱۴۰۳
یکشنبه‌ها ساعت ۱۸:۰۰ تا ۲۱:۱۵
لینک ثبت نام:
d-learn.ir/nlmpy
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

MIT - Introduction to Deep Learning
https://www.youtube.com/playlist?list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI
دانشگاه MIT تدریس مقدمه یادگیری عمیق
#آموزش
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻